النماذج الحديثة للاعتراف بالكيانات واستخراج العلاقات تعتمد بشكل كبير على أدوات معالجة اللغة الطبيعية (NLP) الخارجية مثل تصنيف الأجزاء النحوية (POS) وتحليل الارتباطات. لذلك، يعتمد أداء هذه النماذج المشتركة على جودة الخصائص المستخرجة من هذه الأدوات اللغوية. ومع ذلك، قد لا تكون هذه الخصائص دقيقة دائمًا للعديد من اللغات والسياقات. في هذا البحث، نقترح نموذجًا عصبيًا مشتركًا يقوم بمهام الاعتراف بالكيانات واستخراج العلاقات في آن واحد، دون الحاجة إلى أي خصائص مستخرجة يدويًا أو استخدام أي أداة خارجية. تحديدًا، نقوم بنمذجة مهمة الاعتراف بالكيانات باستخدام طبقة حقول مarkov الشرطية (CRF)، ومهمة استخراج العلاقات كمشكلة اختيار متعدد الرؤوس (أي، تحديد علاقات متعددة محتملة لكل كيان). نقدم تصميم تجريبي شامل لبيان فعالية طريقتنا باستخدام مجموعات بيانات من سياقات مختلفة (مثل الأخبار، والأبحاث البيولوجية، والعقار) ولغات مختلفة (مثل الإنجليزية والهولندية). يتفوق نموذجنا على النماذج العصبية السابقة التي تستخدم الخصائص المستخرجة تلقائيًا، بينما يؤدي بأداء ضمن هامش معقول من النماذج العصبية القائمة على الخصائص، أو حتى يتفوق عليها.